[논문 리뷰] AlertTrap: A study on object detection in remote insects trap monitoring system using on-the-edge deep learning platform

An D. Le, Duy Anh Phạm외 2명|arXiv (Cornell University)|2021. 12. 26.

Smart Agriculture and AI인용 수 7

한 줄 요약

AlertTrap는 라즈베리 파이에서 경량 객체 검출기로 원격 곤충 트랩에서 실시간 과일 파리 감지를 위한 엣지 기반 딥러닝 시스템을 제안한다. SSD와 YOLOv4-tiny 모델을 평가하여, SSD-MobileNetV2가 0.5 IoU에서 1.0 mAP를 기록하며 뛰어난 추론 속도를 확보하여 환경적 요란에도 불구하고 실시간 정확한 해충 모니터링을 가능하게 한다.

ABSTRACT

Fruit flies are one of the most harmful insect species to fruit yields. In AlertTrap, implementation of Single-Shot Multibox Detector (SSD) architecture with different state-of-the-art backbone feature extractors such as MobileNetV1 and MobileNetV2 appears to be potential solutions for the real-time detection problem. SSD-MobileNetV1 and SSD-MobileNetV2 perform well and result in AP at 0.5 of 0.957 and 1.0, respectively. You Only Look Once (YOLO) v4-tiny outperforms the SSD family with 1.0 in AP at 0.5; however, its throughput velocity is considerably slower, which shows SSD models are better candidates for real-time implementation. We also tested the models with synthetic test sets simulating expected environmental disturbances. The YOLOv4-tiny had better tolerance to these disturbances than the SSD models. The Raspberry Pi system successfully gathered environmental data and pest counts, sending them via email over 4 G. However, running the full YOLO version in real time on Raspberry Pi is not feasible, indicating the need for a lighter object detection algorithm for future research. Among model candidates, YOLOv4-tiny generally performs best, with SSD-MobileNetV2 also comparable and sometimes better, especially in scenarios with synthetic disturbances. SSD models excel in processing time, enabling real-time, high-accuracy detection.

연구 동기 및 목표

• 원격 농업 트랩에서 과일 파리를 실시간으로 모니터링할 수 있는 엣지 기반 객체 검출 시스템을 개발하는 것.
• 저전력 엣지 장치인 라즈베리 파이와 같은 장치에 배포 가능한 경량 딥러닝 모델을 평가하는 것.
• 현장 조건에서 흔히 발생하는 환경적 요란에 대한 모델 성능을 평가하는 것.
• 4G 연결을 통한 자동 해충 수량 보고 기능을 제공하여 원격 농업 애플리케이션을 지원하는 것.
• 엣지 기반 해충 모니터링에서 정확도, 추론 속도, 내구성 간 최적의 균형을 규명하는 것.

제안 방법

• 라즈베리 파이에서 실시간 추론을 위해 Single-Shot Multibox Detector( SSD )에 MobileNetV1 및 MobileNetV2 백본을 적용하였다.
• 높은 정확도를 갖춘 대안으로 YOLOv4-tiny를 평가하여, SSD 모델과의 성능 및 처리량을 비교하였다.
• 조명 변화 및 가림 현상과 같은 환경적 요란을 시뮬레이션하기 위해 합성 테스트 세트를 생성하였다.
• 라즈베리 파이 기반 시스템을 통합하여 환경 데이터와 해충 수량을 수집하고, 이를 4G를 통해 전송하였다.
• 추론 속도, 평균 평균 정밀도(mAP), 합성 노이즈 및 왜곡 조건 하에서의 내구성을 측정하였다.
• 객체 검출 성능 평가의 주요 지표로 0.5 IoU에서의 정밀도를 사용하였다.

실험 결과

연구 질문

• RQ1 엣지 하드웨어에서 해충 모니터링에 적합한 경량 객체 검출 모델 중 정확도와 추론 속도 사이의 최적 균형을 달성한 것은 무엇인가?
• RQ2 현장 조건에서 시뮬레이션된 환경적 요란 조건에서 SSD 및 YOLO 기반 모델의 성능은 어떻게 되는가?
• RQ3 라즈베리 파이에서 원격 곤충 트랩 모니터링을 위한 실시간 객체 검출이 신뢰성 있게 구현될 수 있는가?
• RQ4 엣지 배포 환경에서 모델 아키텍처 선택이 시스템 처리량과 에너지 효율성에 미치는 영향은 무엇인가?
• RQ5 실제 원격 환경에서 4G를 통한 자동 해충 수량 전송 시스템의 효과성은 어떠한가?

주요 결과

• SSD-MobileNetV2는 0.5 IoU에서 평균 평균 정밀도(mAP) 1.0을 기록하여, SSD-MobileNetV1(0.957 mAP)을 초월하였다.
• YOLOv4-tiny도 0.5 IoU에서 동일한 mAP 1.0을 기록했지만, SSD 모델보다 유의미하게 느린 추론 처리량을 보였다.
• SSD 모델은 뛰어난 처리 속도를 보이며, 엣지 장치에 실시간 배포에 더 적합한 후보로 나타났다.
• YOLOv4-tiny는 SSD 모델보다 합성 환경적 요란에 더 높은 내성을 보였다.
• 라즈베리 파이가 성공적으로 4G를 통해 해충 수량과 환경 데이터를 수집 및 전송하여, 원격 환경에서의 시스템 실현 가능성을 확인하였다.
• 전체 YOLOv4는 라즈베리 파이에서 실시간 추론에 부적합하여, 엣지 응용 분야에서 더 가벼운 모델의 필요성을 강조하였다.